Kursplan för Kausalitet och kausal inferens

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2021-02-17 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnCausality and causal inference
  • KurskodDAT465
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPDSC
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeDatateknik, Informationsteknik, Matematik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 87123
  • Max antal deltagare25 (minst 10% av platserna reserveras för utbytesstudenter)
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0121 Inlämningsuppgift 7,5 hp
Betygsskala: TH
7,5 hp

    I program

    Examinator

    Gå till kurshemsidan (Öppnas i ny flik)

    Behörighet

    Grundläggande behörighet för avancerad nivå
    Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

    Särskild behörighet

    Engelska 6
    Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

    Kursspecifika förkunskaper

    En kurs i programmering i ett generellt programmeringsspråk (e.g. C/C++/Java/Python). En kurs vardera inom matematisk analys, linjär algebra och matematisk statistik. Vi rekommenderar starkt att studenter har gått en kurs i maskininlärning, exempelvis DAT340, TDA233 eller liknande, eller att en sådan kurs läses parallellt med denna kurs. Om du uppfyller förkunskapskraven men tror du kan behöva lite repetition, se till att vara bekväm med grundläggande definitioner och egenskaper av slumpvariabler, sannolikhetsfördelningar, väntevärden samt linjär algebra, t ex matris- och vektorprodukter och normer. 

    Syfte

    Syftet med kursen är att ge kunskap och förståelse om kausalitet och kausal inferens från ett matematiskt, statistiskt och beräkningsperspektiv. Den ska också ge förutsättningar för att lösa kausalitetsproblem i praktiska tillämpningar. 

    Lärandemål (efter fullgjord kurs ska studenten kunna)

    Efter godkänd kurs ska studenten kunna:

    Kunskap och förståelse
    • Ge en överblick över olika ramverk för kausalitet och kausal inferens
    • Beskriva viktiga kausala problem och ge exempel på dess tillämpningar
    • Förklara hur kausal estimering skiljer sig från andra statistiska problem och inlärningsproblem
    • Redogöra för vanliga metoder för kausal estimering samt villkor under vilka de är träffsäkra

    Färdigheter och förmåga
    • Identifiera olika typer av kausala problem i verkliga tillämpningar
    • Analysera kausala problem och uppskatta i vilken utsträckning de kan lösas under givna förutsättningar
    • Implementera och tillämpa metoder för kausal identifiering väl lämpade för specifika problem
    Värderingsförmåga och förhållningssätt
    • Diskutera fördelar och nackdelar med olika ramverk för att beskriva kausalitet och göra kausal inferens
    • Reflektera över fundamentala begränsningar i möjligheten att identifiera kausalitet
    • Kritiskt analysera och diskutera forskning och tillämpningar av kausal inferens med avseende på bland annat justering för förväxlingsfaktorer

    Innehåll

    Kursen är uppdelad i flera moduler, en per vecka i kursen. Vi inleder med en introduktion till nödvändiga förkunskaper, så som probabilistiska grafiska modeller, och till strukturella definitioner av kausalitet. Dessa gör det möjligt för oss att studera villkor för att identifiera kausala relationer mellan slumpvariabler. I den andra halvan av kursen studerar vi estimering av kausala effekter och utvärdering av riktlinjer för beslutsfattning. I slutet av kursen läser och presenterar varje student en forskningsartikel på ett valfritt ämne inom kausalitet.
    • Probabilistiska grafiska modeller
    • Kausalitet
    • Strukturella kausala modeller (SCM)
    • Kausal inferens
    • Neyman-Rubins kausala modell (potential outcomes)
    • Observationsstudier
    • Utvärdering av riktlinjer för beslutsfattning
    • Medieringsanalys

    Organisation

    Moduler bestående av föreläsningar, uppföljningstillfällen och inlämningsuppgifter. Uppföljningstillfällen är interaktiva möten fokuserade på problemlösning och fördjupning. Kursen avslutas med studentpresentationer av forskningsartiklar.

    Litteratur

    Kursen är baserad på öppet material så som forskningsartiklar och gratis eböcker. Föreläsningar kommer att ges 1-2 gånger i veckan på campus eller online. Om du vill läsa en lärobok på ämnet, överväg någon av dessa:

    - Pearl, Judea. Causality. Cambridge university press, 2009.
    - Hernán MA, Robins JM (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC. https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
    - Morgan, Stephen L., and Christopher Winship. Counterfactuals and causal inference. Cambridge University Press, 2015. 2nd Edition.

    Examination inklusive obligatoriska moment

    Inlämningsuppgifter och presentationer av forskningsartiklar.

    Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.

    Kursplanen innehåller ändringar

    • Ändring gjord på kurstillfälle:
      • 2023-03-27: Max antal deltagare Max antal deltagare ändrat från 15 till 25 av UBS/Examinator
        [Kurstillfälle 1]